一种基于电容检测和机器学习的触摸角度估计方法与流程

本发明属于触摸角度检测术领域，具体涉及一种基于电容检测和机器学习的触摸角度估计方法。

背景技术：

近年来，触摸屏作为一种非常方便的人机交互的输入输入设备，在多个领域如相机、手机得到了广泛的应用，随着人们对人机交互的需求越来越高，对触摸角度的精确度要求也越来越高，如果能实时测量手指的触摸角度，就能利用它实现一些特殊的手势操作，比如通过手指改变触摸角度来实现照片旋转或者放大等操作，触摸角度为人机交互提供了多一个维度的信息，因此对于触摸角度的检测引起了人们的广泛关注。现有技术中对触摸角度检测的方法中，得到触摸角度精确度不高，而且在检测过程中的需要硬件支持，成本比较高，因此现在急需一种无需特殊硬件支持且低成本的触摸角度检测方法。

技术实现要素：

本发明的目的在于要提供一种基于电容检测和机器学习的触摸角度估计方法，当手指靠近电容式触摸屏时，电容式触摸屏的板间电容会与手指发生耦合，形成耦合电容，引起电容值的改变，通过检测相对电容值的变化即可判断触摸位置。

本发明为实现上述目的，所采用的技术方案如下：

一种基于电容检测和机器学习的触摸角度估计方法，包括以下步骤：

一、利用一块电极阵列为n*n的电容式触摸屏采集数据，n≥2，且为整数，将陀螺仪固定在触摸所用的手指模型上，在15-90°的角度范围随机选取角度进行触摸，记录不同角度下手指触摸区域以及手指投影下覆盖区域的相对电容值，同时记录当下的触摸角度值，得到手指触摸区域以及手指投影下覆盖区域的相对电容值-触摸角度值对应的数据集；

二、利用此数据集，采用小批量随机梯度下降法，训练一个神经网络回归模型；

三、利用此训练好的神经网络回归模型，将触摸时得到的电极阵列的相对电容值作为输入，即可得到触摸角度输出值。

作为限定，所述数据集中的每个样本为一个n²+1维的向量，该向量的前n*n维为对应n*n个电极的相对电容值，第n²+1维为对应的触摸角度值。

作为第二种限定，所述相对电容值为相对无触摸时的电容值之差。

本发明由于采用了上述的技术方案，其与现有技术相比，所取得的技术进步在于：

（1）本发明中手指在触摸电容式触摸屏时会导致触摸区域的电容发生改变，同时在手指投影下方覆盖的区域的电容也会发生变化，利用电容的变化得到相对电容值；

（2）在本发明中当手指靠近电容式触摸屏时，电容式触摸屏的板间电容会与手指发生耦合，形成耦合电容，引起电容值的改变，通过检测相对电容值的变化即可判断触摸角度；

（3）本发明中随着触摸角度的不同，手指投影下方覆盖的区域的相对电容值也会有所不同，距离越近电容式触摸屏的板间电容改变量越大；

（4）本发明通过监测相对电容的变化判断触摸角度，无需特殊硬件支持，成本较低。

本发明属于触摸角度检测术领域，用于估计电容式触摸屏的触摸角度，通过检测相对电容值的变化即可判断触摸角度，成本较低。

附图说明

下面结合附图及具体实施例对本发明作更进一步详细说明。

图1为本发明实施例中的方法实施流程图；

图2是本发明实施例2中对电极阵列触摸的示意图；

图3是本发明实施例2触摸时电极阵列电容改变量的示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1一种基于电容检测和机器学习的触摸角度估计方法

如图1所示一种基于电容检测和机器学习的触摸角度估计方法，包括以下步骤：

一、利用一块电极阵列为2*2的电容式触摸屏采集数据，将陀螺仪固定在触摸所用的手指模型上，在15-90°的角度范围随机选取角度进行触摸，记录不同角度下手指触摸区域以及手指投影下覆盖区域的相对电容值，同时记录下当下的触摸角度值，得到相对电容值-触摸角度值对应的数据集；

本实施例是在相对于电容式触摸屏的垂直方向上选取角度的，其中陀螺仪用于检测手指模型的触摸角度，数据集中的每个样本为一个五维的向量，该向量的前四维为对应四个电极的相对电容值，第五维为对应的触摸角度值；其中相对电容值为相对无触摸时的电容值之差；

二、利用此数据集，采用小批量随机梯度下降法，训练一个神经网络回归模型；

本实施例中，采用小批量随机梯度下降法训练的神经网络回归模型为bp（backpropagation）神经网络，包括输入层，隐藏层和输出层，本实施例中设计的隐藏层有10层，隐藏层所用激活函数为tanh激活函数，输出层激活函数是y=x；

三、利用此训练好的神经网络回归模型，将触摸时得到的电极阵列的相对电容值作为输入，即可得到触摸角度输出值。

本实施例中电极是从左到右，从上到下依次计数的，记为电极一~四，本实施例是对电极阵列的电极一进行触摸，在15-90°的角度范围随机选取角度进行触摸，进行触摸时，手指触摸区域以及手指投影下覆盖区域影响了全部的2*2个电极。

在15-90°的角度范围随机选取角度对电极阵列的电极一进行触摸，同时记录四个电极上的相对电容值与对应的陀螺仪所测量的触摸角度值，重复改变触摸角度进行测量，得到相对电容值-触摸角度值对应的数据集，其中数据集中的样本中标记的触摸角度值分布在15到90°之间，由于数据集中的样本数据较多，在本实施例中只列出了数据集中的部分样本数据，如表1所示。

将该数据集按一定比例分为训练集与验证集，通过训练集对步骤二中设计好的神经网络进行训练，生成神经网络回归模型，最终神经网络回归模型在验证集上的角度预测误差约10°。

表1

实施例2一种基于电容检测和机器学习的触摸角度估计方法

一种基于电容检测和机器学习的触摸角度估计方法，包括以下步骤：

一、利用一块电极阵列为5*5的电容式触摸屏采集数据，将陀螺仪固定在触摸所用的手指模型上，在15-90°的角度范围随机选取角度进行触摸，记录不同角度下手指触摸区域以及手指投影下覆盖区域的相对电容值，同时记录下当下的触摸角度值，得到相对电容值-触摸角度值对应的数据集；

本实施例是在相对于电容式触摸屏的垂直方向上选取角度的，其中陀螺仪用于检测手指模型的触摸角度，数据集中的每个样本为一个二十六维的向量，该向量的前二十五维为对应二十五个电极的相对电容值，第二十六维为对应的触摸角度值；其中相对电容值为相对无触摸时的电容值之差；

二、利用此数据集，采用小批量随机梯度下降法，训练一个神经网络回归模型；

本实施例的神经网络回归模型与实施例1的中的一样；

三、利用此训练好的神经网络回归模型，将触摸时得到的电极阵列的相对电容值作为输入，即可得到触摸角度输出值。

如图2至图3所示，本实施例中电极是从左到右，从上到下依次计数的，记为电极一~二十五，本实施例是对电极阵列的电极一进行触摸，在15-90°的角度范围随机选取角度进行触摸，进行触摸时，手指触摸区域以及手指投影下覆盖区域影响了全部的5*5个电极。

在15-90°的角度范围随机选取角度对电极阵列的电极一进行触摸，同时记录二十五个电极上的相对电容值与对应的陀螺仪所测量的触摸角度值，重复改变触摸角度进行测量，得到相对电容值-触摸角度值对应的数据集，其中数据集中的样本中标记的触摸角度值分布在15到90°之间，由于数据集中的样本数据较多，在本实施例中只列出了数据集中的部分样本数据，如表2所示。

将该数据集按一定比例分为训练集与验证集，通过训练集对步骤二中设计好的神经网络进行训练，生成神经网络回归模型，最终神经网络回归模型在验证集上的角度预测误差约8°。

表2